Vehicle Type Detection and Vehicle Counting Using YOLOv9 Object Detection Algorithm

Sıkar R. B.

SUMMITS’24 4. ULUSLARARASI AKILLI ULAŞIM SİSTEMLERİ ZİRVESİ, Ankara, Türkiye, 2 - 04 Mayıs 2024, ss.128-129, (Özet Bildiri)

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Ankara
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.128-129
  • İstanbul Üniversitesi-Cerrahpaşa Adresli: Evet

Özet

Bugün, yapay zekâ teknolojisinin hızlı gelişimi, bilgisayarla görmenin mühendislik bilimlerinde geniş bir uygulama yelpazesi bulmasına olanak tanımaktadır. Bu çalışma, görüntü işleme teknolojisinin manuel sayma uygulamalarında sağladığı pratik kolaylıkların yanı sıra, gelişmiş algoritmaların daha doğru sonuçlar üretebilme yeteneğine odaklanmaktadır. YOLOv9 algoritmasının trafik sayımlarında nasıl kullanılabileceğini inceleyen bu araştırma, algoritmanın yüksek doğrulukta ölçümler sağlayabildiğini ve insan faktöründen kaynaklanan dezavantajları ortadan kaldırabildiğini göstermektedir. Çalışmada, üç farklı araç türü için sınıflandırma ve sayım yapılmıştır. Araba ve kamyonların tespitinde %95'in üzerinde doğruluk elde edilmiş, ancak motosiklet gibi küçük nesnelerde nispeten daha az doğruluk sağlanmıştır. Özellikle araç sayımı ve trafik yönetimi uygulamalarında YOLOv9'un etkin kullanımı, nesne tespit teknolojisinin akıllı ulaşım sistemlerindeki rolüne önemli bir katkı sağlayabilir. Bu çalışma, gelecekteki uygulamalar için değerli bilgiler sunmaktadır; çünkü bu teknoloji, trafik yönetiminde verimliliği artırabilir ve sürücülere ve yol kullanıcılarına daha güvenli ve daha verimli bir seyahat deneyimi sağlayabilir. Sonuç olarak, bu araştırma, YOLOv9'un mevcut ve gelecekteki trafik yönetimi uygulamalarında nasıl kullanılabileceğini göstererek, AI tabanlı nesne tespit teknolojisinin önemini vurgulamaktadır. Bu teknolojinin akıllı ulaşım sistemlerinin gelişiminde oynayabileceği kilit rol, gelecek araştırmacılar ve endüstri profesyonelleri için değerli bir konudur. 

Today, the rapid development of artificial intelligence technology allows computer vision tofind a wide range of applications in engineering sciences. This study focuses on the practicalconveniences provided by image processing technology in manual counting applications, aswell as the ability of advanced algorithms to produce more accurate results. This research,which examines how the YOLOv9 algorithm can be used in traffic counts, shows that thealgorithm can provide high-accuracy measurements and eliminate the disadvantages causedby the human factor. In the study, classification and counting were made for three differentvehicle types. Over 95% accuracy was achieved in detecting cars and trucks, but relativelyless accuracy was achieved in small objects such as motorcycles. It is seen that the effectiveuse of YOLOv9, especially in vehicle counting and traffic management applications, can makea significant contribution to the role of object detection technology in intelligenttransportation systems. This study provides valuable insight into future applications; becausethis technology can improve efficiency in traffic management, providing drivers and roadusers with a safer and more efficient travel experience. In conclusion, this research highlightsthe importance of AI-based object detection technology by showing how YOLOv9 can be usedin current and future traffic management applications. The key role this technology can playin the development of intelligent transportation systems is a valuable topic for futureresearchers and industry professionals. Today, the rapid development of artificial intelligence technology allows computer vision to find a wide range of applications in engineering sciences. This study focuses on the practical conveniences provided by image processing technology in manual counting applications, as well as the ability of advanced algorithms to produce more accurate results. This research, which examines how the YOLOv9 algorithm can be used in traffic counts, shows that the algorithm can provide high-accuracy measurements and eliminate the disadvantages caused by the human factor. In the study, classification and counting were made for three different vehicle types. Over 95% accuracy was achieved in detecting cars and trucks, but relatively less accuracy was achieved in small objects such as motorcycles. It is seen that the effective use of YOLOv9, especially in vehicle counting and traffic management applications, can make a significant contribution to the role of object detection technology in intelligent transportation systems. This study provides valuable insight into future applications; because this technology can improve efficiency in traffic management, providing drivers and road users with a safer and more efficient travel experience. In conclusion, this research highlights the importance of AI-based object detection technology by showing how YOLOv9 can be used in current and future traffic management applications. The key role this technology can play in the development of intelligent transportation systems is a valuable topic for future researchers and industry professionals.